一、摘要
MOSS-TTS-Nano 是 OpenMOSS 与 MOSI.AI 发布的开源多语言语音生成模型，定位是“小体积、低延迟、可部署”。它约 0.1B 参数，支持实时语音生成与语音克隆，强调 CPU 友好和本地集成，适合做轻量 Demo、浏览器服务和嵌入式产品原型。
二、核心特性
1、多语言支持：公开资料显示当前覆盖 20 种语言，包含中文、英文、日文、韩文、法语、德语、阿拉伯语等。
2、轻量部署：主打无需 GPU 也可运行，流式生成可在 4 核 CPU 上完成。
3、语音生成能力：支持文本转语音，也支持基于参考音频的语音克隆。
4、推理链路简单：提供 infer.py、app.py 和 CLI，适合本地测试与服务化封装。
5、音频侧设计：基于 Audio Tokenizer + LLM 的纯自回归管线，输出规格为 48kHz 双声道。
三、安装
1、创建 Python 3.12 环境并克隆仓库。
2、执行 pip install -r requirements.txt 与 pip install -e .。
3、若 WeTextProcessing 安装失败，需按官方说明补装 pynini 与对应依赖。
4、可用 python infer.py 做本地生成，也可用 python app.py 或 moss-tts-nano serve 启动 Web 演示。
四、典型用例
1、本地语音助手或 Agent 的语音输出。
2、小型语音克隆 Demo 与个性化播报。
3、低成本多语言内容朗读。
4、需要快速接入 HTTP 服务的语音生成功能。
五、生态与竞品
1、生态上，MOSS-TTS-Nano 属于 MOSS-TTS 家族的一部分，底层依赖 MOSS-Audio-Tokenizer。
2、与大参数 TTS 相比，它更强调部署门槛和实时性，而不是极致表现力。
3、与 GPT-SoVITS、CosyVoice、Bark 一类方案相比，它的差异点在于更小参数、CPU 友好和统一家族化路线；但具体效果仍应以你的语种、音色和时延要求实测为准。
六、局限与注意事项
1、轻量模型通常意味着上限有限，复杂情感、强表现力和极高拟真度未必占优。
2、多语言可用不等于每种语言都同样成熟，长文本与小语种建议先验证。
3、语音克隆涉及肖像与声音权利，商用前应确认授权与合规。
4、仓库发布时间较新，接口、依赖和许可证细节仍可能继续完善。
七、项目地址
https://modelscope.cn/models/openmoss/MOSS-TTS-Nano
八、常见问题
Q: MOSS-TTS-Nano 是否支持中文语音克隆？
A: 支持，官方示例展示了基于参考音频的语音克隆流程。
Q: MOSS-TTS-Nano 是否必须使用 GPU？
A: 不是。它的一个核心卖点就是可在 CPU 上运行，适合轻量部署。
Q: MOSS-TTS-Nano 适合生产环境吗？
A: 适合原型、内测和轻量服务场景；正式生产仍建议先做稳定性、时延和音质评估。
Q: MOSS-TTS-Nano 支持多少种语言？
A: 公开资料显示当前支持 20 种语言，但不同语言的实际效果需要分别测试。
